НОВИ ПРИСТУП МАШИНСКОМ УЧЕЊУ ПОМОЋУ ПОТПОРНИХ ВЕКТОРА КОЈИ КОРИСТИ ФРАКТАЛНЕ И МАТРИЧНЕ ПОКАЗАТЕЉЕ ДУЖИНЕ НИЗА ЗА ИДЕНТИФИКАЦИЈУ ЈЕДАРНИХ ПРОМЕНА КОД КАРЦИНОМА ЛАРИНКСА

Sažetak

Увод/Циљ: Циљ истраживања је био да предложимо нови и иновативни концепт алгоритма машинског учења са потпорним векторима који користи фракталне и матричне показатеље дужине низа структуре једра за идентификацију малигних сквамозних епителних ћелија код ларингеалног карцинома.

Материјал и методе: Анализиране су регије од интереса на микрографима ларингеалног карцинома и хроничног ларингитиса коришћењем фракталне технике бројања квадрата и текстуралне технике матрице дужине низа. За свако једро квантификоване су вредности фракталне димензије, лакунарности, наглашености дугих низова и наглашености кратких низова. Ове карактеристике коришћене су као улазни подаци за тренирање и тестирање модела машинског учења са потпорним векторима у библиотеци „Scikit-learn“ за Python.

Резултати: Модел машинског учења са потпорним векторима показао је релативно добре показатеље перформанси. Тачност класификације модела износила је 0,83 што указује на адекватну способност модела да разликује канцерогене од неканцерогених ћелија у нашем узорку. Вредност F1 оцене (хармонијска средина прецизности и осетљивости) износила је 0,83, што сугерише релативно добар баланс између ова два показатеља. Вредност Метјузовог коефицијента корелације за овај модел износила је 0,65 што указује на умерену сагласност између предвиђених и стварних ознака и уравнотежене перформансе модела унутар две класе.

Закључак: Предложени модел пружа солидну основу за даљи развој система вештачке интелигенције за анализу сигнала у истраживањима рака. Ако се ограничења овог концепта превазиђу, будућа истраживања могу бити усмерена на развој свеобухватнијег модела машинског учења за идентификацију епителних ћелија ларингеалног карцинома.